IA dans le recrutement : McKinsey teste l’entretien simulé
McKinsey teste un client simulé par IA pour évaluer des candidats. Découvrez les enjeux de cette méthode et les garde-fous à prévoir en entreprise.
McKinsey met des candidats face à un client simulé par IA : ce que l'expérience révèle
Un entretien d'embauche peut-il ressembler à une mission de conseil avant même le premier jour ? McKinsey & Company prévoit de tester une réponse concrète : certains candidats débutants à des postes d'analyste d'affaires auront une conversation de dix minutes avec un client simulé par intelligence artificielle. L'information a été rapportée par le Wall Street Journal et reprise par The Verge.
Le point le plus important, c'est que l'IA ne notera pas les candidats. Des évaluateurs humains seront là pour observer la manière dont ils gèrent la situation. L'outil sert donc à créer un contexte d'échange, pas à remplacer le jugement.
Cette nuance change la lecture du test. Il ne s'agit pas seulement d'« automatiser » un entretien, mais de reproduire une partie du travail à observer. Reste à savoir si dix minutes de simulation donnent un signal vraiment utile, comment limiter les biais, et ce que les entreprises françaises peuvent en tirer. Voici ce qu'on sait, les limites à garder en tête et les points à vérifier avant de s'en inspirer.
Ce que McKinsey teste concrètement
D'après les informations rapportées par le Wall Street Journal, le cabinet prévoit de faire passer cette simulation à certains candidats de premier niveau qui postulent à des postes d'analyste d'affaires. Le test est prévu à l'automne 2026, dans certains bureaux nord-américains. Le journal parle de « centaines » de candidats potentiels, sans dire que le dispositif serait généralisé à tous les recrutements.
Le candidat échange pendant dix minutes avec une simulation d'un client. L'objectif annoncé serait de couvrir environ 80 % des situations rencontrées par les consultants au quotidien. McKinsey précise aussi que le système n'est pas conçu pour imiter un client « déchaîné ». En clair : on parle d'un échange cadré, pas d'une mise en difficulté extrême.
Le rôle de l'IA : créer une situation, pas attribuer une note
Le partage des rôles est central. L'IA fournit un interlocuteur simulé, pendant que des personnes évaluent la façon dont le candidat réagit. D'après les éléments publiés, l'outil ne calcule pas la note finale et ne choisit pas les personnes à embaucher.
On n'est donc pas dans un entretien entièrement automatisé où un système classerait les réponses, la voix ou le visage. Pour autant, il ne faut pas conclure que le test est sans risque parce qu'il n'y a pas de score algorithmique. La simulation influence ce que les évaluateurs vont voir. La qualité des réponses dépend aussi de la qualité du scénario, des consignes, et de la façon dont les observateurs interprètent le comportement.
Les informations disponibles ne détaillent pas l'interface, le modèle d'IA, les données conservées, ni les critères d'évaluation précis. Il serait hasardeux de supposer que l'échange se fait forcément via un avatar vidéo, ou que la simulation cherche à analyser des signaux non verbaux. Ce qui est décrit, c'est surtout une conversation de dix minutes et une appréciation humaine.
Séparer la génération de la situation et la décision de recrutement est un choix de conception cohérent : cela rapproche l'exercice d'une mise en situation professionnelle, tout en laissant une responsabilité humaine. Mais ça ne suffit pas, à lui seul, à garantir un bon test. Encore faut-il que les observateurs sachent ce qu'ils cherchent et utilisent des critères cohérents.
Pourquoi simuler une situation de travail
Un entretien classique mesure souvent la capacité à raconter un parcours ou à répondre à des questions préparées. C'est utile, mais ce n'est pas parfait : une personne très à l'aise à l'oral peut mettre en valeur des compétences qu'elle mobilise moins bien dans une situation concrète, tandis qu'un candidat moins entraîné aux codes de l'entretien peut avoir du mal à faire ressortir son potentiel.
Une simulation cherche plutôt à observer des comportements dans un contexte proche du travail. Face à un interlocuteur qui expose un problème, le candidat peut devoir clarifier une demande, structurer une réponse, reformuler une contrainte ou reconnaître qu'il lui manque des informations. Ce sont des gestes de travail, pas seulement des déclarations.
Une mise en situation reproductible
Le bénéfice évident, c'est la répétabilité. Si plusieurs candidats rencontrent une situation comparable, les recruteurs disposent d'un point de comparaison plus concret que des échanges entièrement improvisés. L'IA peut aussi permettre de faire varier les scénarios, ou de tenir une conversation simulée sans mobiliser un client réel à chaque entretien.
Mais la reproductibilité ne dit pas tout. Un exercice standardisé peut aussi mal mesurer la compétence visée. Si la simulation valorise surtout la rapidité de parole, l'aisance sociale ou la familiarité avec les codes du conseil, elle peut confondre des qualités de présentation avec le vrai jugement professionnel. La vraie question n'est donc pas seulement « est-ce que tout le monde a eu le même exercice ? », mais « est-ce que l'exercice mesure ce qui compte réellement dans le poste ? »
Un outil d'évaluation, pas une preuve
Une simulation de dix minutes reste un échantillon court. Elle peut donner un indice sur la façon dont une personne structure un échange, mais elle ne permet pas, à elle seule, d'évaluer la capacité à travailler en équipe, à apprendre sur la durée ou à produire une analyse fiable. Et les candidats savent qu'ils sont évalués : leur comportement dans ce cadre ne sera jamais exactement celui d'une mission réelle.
Pour que le dispositif serve vraiment, il doit donc compléter d'autres éléments : entretiens, études de cas, expérience pertinente, échanges avec l'équipe. Il faut aussi vérifier que l'exercice apporte une information nouvelle. Si les mêmes compétences ressortent déjà clairement via une étude de cas classique, l'ajout d'une simulation peut surtout ajouter de la complexité.
Dans un recrutement, la bonne question n'est pas « peut-on utiliser de l'IA ? », mais « quel problème précis cette simulation résout mieux que la méthode la plus simple ? ». Sans réponse mesurable, l'innovation ressemble vite à une vitrine plutôt qu'à une amélioration.
Les limites d'un entretien assisté par IA
Le fait que des humains gardent la main est une précaution utile. Mais ce n'est pas une garantie suffisante. Les évaluateurs peuvent être influencés par la première impression, interpréter différemment une même réponse ou accorder trop de poids à un comportement qui n'est pas directement lié au poste. Un dispositif automatisé ne supprime pas ces biais ; il peut même leur donner l'impression d'être « plus objectifs » si les responsabilités ne sont pas clairement définies.
Le scénario peut orienter le résultat
Un client simulé implique forcément des choix de conception. Les demandes, les réactions, et le niveau de difficulté déterminent ce que le candidat a l'occasion de montrer. Et si certains profils comprennent plus facilement les codes implicites du scénario, le test peut avantager la familiarité avec une culture professionnelle donnée plutôt que la capacité réelle à faire le travail.
Les recruteurs devraient donc tester la simulation avec des profils variés, regarder les résultats et chercher les écarts qui ne s'expliquent pas par les exigences du poste. Il faut vérifier aussi que les consignes sont compréhensibles, que les candidats ont le temps nécessaire, et que des ajustements raisonnables sont possibles. Une évaluation juste ne veut pas dire que tout le monde vit exactement la même expérience ; ça veut dire que les différences sont liées à l'objectif de l'épreuve.
Transparence, données et cadre européen
En France et dans l'Union européenne, un dispositif utilisé dans le recrutement doit être analysé au regard de la protection des données et des règles applicables aux systèmes d'IA. Le RGPD impose notamment de traiter les données personnelles avec une finalité définie, de limiter la collecte, et d'informer les personnes concernées. Les candidats doivent savoir ce que fait l'outil, quelles données sont utilisées, et qui est responsable du traitement.
Le règlement européen sur l'intelligence artificielle classe certains usages dans l'emploi et le recrutement parmi les systèmes à haut risque. Mais la qualification dépend de ce que fait réellement le système. Une simulation conversationnelle n'est pas automatiquement équivalente à un outil de tri ou de notation : il faut regarder ce qu'elle traite comme données et comment ses résultats entrent (ou non) dans la décision.
Concrètement, les entreprises devraient documenter le système, préciser qui a accès aux données, fixer une durée de conservation proportionnée et prévoir un moyen de signaler un problème. Et elles doivent éviter le flou : il ne sert à rien d'afficher une « décision humaine » si, dans les faits, les outils déterminent le classement. La supervision humaine doit être réelle : comprendre le résultat, pouvoir le contester, et ne pas suivre mécaniquement une recommandation.
Ce que les entreprises françaises peuvent en retenir
L'annonce de McKinsey s'inscrit dans une tendance plus large : certaines entreprises testent des avatars ou des outils conversationnels pour intégrer des simulations au recrutement. Cela ne signifie pas que l'entretien par IA deviendra la norme. Plutôt, ça suggère que les organisations cherchent à rapprocher certaines étapes des situations de travail, tout en essayant de maîtriser le temps nécessaire pour les conduire.
Pour une entreprise française, qu'il s'agisse d'une ETI, d'un cabinet de conseil ou d'une jeune pousse, le bon réflexe n'est pas de copier un grand acteur juste parce qu'il l'expérimente. Il faut partir du poste à pourvoir et du coût actuel du processus. Une simulation se justifie si elle aide à observer une compétence difficile à mesurer autrement, pas si elle rend l'exercice plus « moderne » en apparence.
Une grille de décision avant de lancer un pilote
Avant de déployer quoi que ce soit, une équipe RH et opérationnelle peut se poser ces cinq questions :
- Quelle compétence veut-on observer ? La capacité à clarifier un besoin, à raisonner sous contrainte ou à expliquer une recommandation doit être décrite avec précision.
- Pourquoi une simulation est-elle préférable ? Comparez-la à une étude de cas, à une mise en situation avec un recruteur, ou à un entretien structuré. L'option la moins automatisée peut être la meilleure.
- Quels critères les évaluateurs utiliseront-ils ? Une grille commune limite les écarts d'interprétation. Elle doit distinguer les comportements liés au poste des préférences personnelles.
- Quelles données sont nécessaires ? Évitez de collecter des données vocales, vidéo ou comportementales sans justification claire. Soyez précis sur ce qui est dit aux candidats, qui peut accéder aux données, et comment elles sont conservées.
- Comment vérifier l'équité et l'utilité ? Regardez la cohérence entre évaluateurs, les écarts entre groupes, et surtout si les résultats de l'exercice reflètent des compétences réellement mobilisées dans le poste.
Un pilote bien mené doit pouvoir conclure aussi que l'outil n'apporte pas assez de valeur. Le test doit comparer la simulation à une méthode existante sur un périmètre limité, recueillir les retours des candidats et des recruteurs, puis décider à partir des résultats. Si l'exercice allonge le recrutement sans améliorer la qualité des décisions, il n'a pas rempli son objectif.
Et il y a un piège classique à éviter : automatiser une étape avant d'avoir défini ce qu'elle doit produire. Les gains possibles (organisation, répétabilité, réduction de tâches logistiques) doivent être mis en face des coûts d'intégration, de contrôle, de conformité et d'accompagnement des équipes. Même un outil techniquement impressionnant peut rester un mauvais choix opérationnel.
Conclusion : tester l'outil, pas déléguer le jugement
Le test de McKinsey est intéressant moins parce qu'il « met de l'IA dans l'entretien » que parce qu'il tente d'évaluer une situation de travail plutôt qu'une réponse préparée. Le choix affiché de conserver des évaluateurs humains compte, mais il ne règle pas, à lui seul, la question des biais ni celle de la pertinence du scénario.
Pour les entreprises, la démarche utile reste pragmatique : définir la compétence visée, comparer la simulation à ce qui existe déjà, encadrer les données, et vérifier les résultats avant toute diffusion large. L'IA peut aider à créer un exercice plus reproductible. Elle ne suffit pas, à elle seule, à prouver qu'un candidat réussira dans le poste.
Si vous envisagez un outil similaire, commencez par documenter le problème de recrutement que vous cherchez à résoudre. Puis lancez un pilote sur un périmètre limité, avec des critères clairs et une vraie possibilité d'abandonner. Le test le plus important, au fond, c'est celui-ci : est-ce que l'outil améliore une décision humaine sans rendre le processus moins juste ni moins compréhensible ?